云战略必须与其他战略相互配合
云战略对云计算在企业机构中的作用进行了高度概括。根据Gartner的研究,业务和IT领导者在制定云战略时一直在重复十个常见的错误。
Gartner研究副总裁Marco Meinardi表示:“良好的云战略应简明扼要且易于使用,以10至20页的演示文稿就可表达清楚。另外,业务战略应成为制定云战略的基础并为云战略实施者提供指导。云战略必须与其他战略相互配合,而不是去试图取而代之。”
Gartner的分析师们在2022年Gartner IT基础设施、运营和云战略大会上讨论了如何启用和运用云计算并展示云计算的价值。业务和IT领导者应通力协作制定云战略,并在此过程中避免以下十个错误:
一、认为云战略是一项(纯)IT战略
云计算不仅仅涉及到技术。IT部门以外的员工同样掌握着推动云战略成功所需的重要技能和知识。Meinardi表示:“ 业务和IT部门领导者不应制定以IT为中心的战略,然后将这个战略‘推销’给企业的其他部门。在云战略制定过程中,业务和IT部门应是平等的合作伙伴。”
二、 未制定退出策略
制定云服务退出策略的难度很大,这也是许多领导者未制定退出策略的原因之一。许多企业机构认为不会从云端退回本地,因此无需制定退出策略。但退出策略对于企业机构云战略的成功实施至关重要。Meinardi表示:“这就好比你买了一份保险,但希望自己永远不会用到它。”
三、将云战略与云实施计划合并或混淆
云战略不同于云实施计划,而且云战略必须先行。云战略创建于决策阶段,需由业务和IT领导者确定云计算在企业机构中发挥的作用。接下来才是将云战略付诸实施的云实施计划。
四、认为现在制定云战略为时已晚
任何时候制定云战略都不算晚。Meinardi表示:“如果企业机构在推进云实施计划之前并未制定云战略,会让不了解计划背后关键驱动因素和原则的员工产生抵触,最终将拖累云计算实施的进度,甚至有可能危及整个云项目。”
五、将云战略等同于“一切上云”
许多企业机构误认为,云战略意味着一切都要上云。Meinardi表示:“许多业务和IT领导者认为在制定云战略后,就必须在所有工作中使用云计算,因此不敢制定云战略。业务和IT领导者应保持开放的心态,并且与企业架构师等云技术之外领域的专家合作,以便受益于后者可在云战略过程提供的更广阔视角。”
六、认为“云战略等同于数据中心战略”
许多企业机构将云战略与数据中心战略混为一谈。在将这两者分开的同时,也应保证两者的统一,因为这关系到云计算能在企业机构中发挥的作用。Meinardi表示:“决定云战略的是每一项具体的工作负载,而不是数据中心。”
七、认为高管的命令就是战略本身
因为首席执行官、首席信息官或业务部门负责人认为云计算可以节省成本而采用云计算,是企业机构常犯的另一个常见错误。Gartner分析师建议将高管的命令视为其对制定云战略的支持,而不是云战略本身。云战略还应该保持与业务的联系,确保企业机构了解迁移工作负载的原因和目的。
八、认为云战略就是“选定厂商”
企业机构可能会慢慢开始使用多种不同的云服务。由于云服务的使用可能会变得越来越广泛和多样化,业务和IT领导者应该考虑各种类型的场景、云服务、厂商和非云环境,制定出一项全面的云战略。
九、将云战略制定工作外包
外包听起来很吸引人,但云战略过于重要,企业机构不应将战略制定工作外包出去。Gartner分析师建议业务和IT领导者使用第三方,甚至使用云服务提供商来实施云战略,以便企业机构利用经济实惠的方式获得必要的云技术。
十、认为“云先行”就是云战略的全部
“云先行”是指将公有云默认为构建或放置新资产的首选地点。Meinardi表示:“但云先行并不意味着只能使用云技术。业务和IT领导者如果采用云先行原则,那么除默认选项以外,在制定云战略时还应考虑到不在云端开发应用的例外情况。”
Gartner客户可在信息图:云战略指导手册中了解更多信息。
好文章,需要你的鼓励
英特尔携手戴尔以及零克云,通过打造“工作站-AI PC-云端”的协同生态,大幅缩短AI部署流程,助力企业快速实现从想法验证到规模化落地。
意大利ISTI研究院推出Patch-ioner零样本图像描述框架,突破传统局限实现任意区域精确描述。系统将图像拆分为小块,通过智能组合生成从单块到整图的统一描述,无需区域标注数据。创新引入轨迹描述任务,用户可用鼠标画线获得对应区域描述。在四大评测任务中全面超越现有方法,为人机交互开辟新模式。
阿联酋阿布扎比人工智能大学发布全新PAN世界模型,超越传统大语言模型局限。该模型具备通用性、交互性和长期一致性,能深度理解几何和物理规律,通过"物理推理"学习真实世界材料行为。PAN采用生成潜在预测架构,可模拟数千个因果一致步骤,支持分支操作模拟多种可能未来。预计12月初公开发布,有望为机器人、自动驾驶等领域提供低成本合成数据生成。
MIT研究团队发现,AI系统无需严格配对的多模态数据也能显著提升性能。他们开发的UML框架通过参数共享让AI从图像、文本、音频等不同类型数据中学习,即使这些数据间没有直接对应关系。实验显示这种方法在图像分类、音频识别等任务上都超越了单模态系统,并能自发发展出跨模态理解能力,为未来AI应用开辟了新路径。